李伟华 1,2,3李范鸣 1,3,*苗壮 1,2,3谭畅 1,2,3穆靖 1,2,3
1 中国科学院红外探测与成像技术重点实验室，上海 200083
2 中国科学院大学，北京 100049
3 中国科学院上海技术物理研究所，上海 200083
雾霾天气由于悬浮粒子的存在，降低了红外成像系统的对比度和视觉质量。现有的去雾方法大多侧重于增强全局对比度或在图像中采取局部网格透射率估计策略，容易导致图像信息丢失、光晕伪影以及天空区域失真的现象。针对这些问题，本文提出了一种基于超像素结构分解以及信息完整性保护的单幅图像去雾方法。在该模型中，首先基于局部结构信息，设计了分层超像素算法自适应地将图像分割成多个目标区域以消除光晕伪影。同时为了避免局部高亮目标造成估计误差，采用基于超像素块的改进四叉树细分方法获得全局大气光值。在此基础上，利用组合约束通过最小化信息损失实现透射率图最优化。在真实红外雾天图像上的实验表明，在定性和定量方面与现有的经典算法相比，本文所提方法在对比度和可见性方面具有优越性。
红外图像去雾 物理模型重建 超像素分割 联合约束 可见性增强 infrared image dehazing physical model restoration superpixels segmentation combined constraint enhance visibility
1 中国科学院上海技术物理研究所 红外探测与成像技术重点实验室，上海 200083
2 中国科学院大学 电子电气与通信工程学院，北京 100049
针对仅配备CPU的红外成像系统，本文提出了一种基于中心点的实时目标检测方法。遵循轻量化的设计原则，首先引入了低计算成本的特征提取网络，并在此基础上设计了相应的特征融合模块以充分利用不同阶段提取的空间和上下文信息。同时为了进一步提高网络的表征能力，提出了一个背景抑制模块以完成对前景区域的特征增强，并最终通过轻量检测网络实现对目标中心点及其相应属性的预测。在红外空中目标数据集上的实验表明，本文所提方法能够在CPU上以21.69 ms每帧的速度达到90.24%的检测精度。与经典的Tiny-YOLOv3相比，在计算量和参数量仅为前者21%和11%的前提下，检测精度提高了10.94%，并且检测速度提高了10.02 ms，证明了方法在实时红外系统中的巨大应用潜力。
红外图像 目标检测 实时性 深度学习 infrared image target detection real time deep learning 朱雯青 1,2,3汤心溢 1,3,*张瑞 1,2,3陈潇 1,2,3苗壮 1,2,3
1 中国科学院上海技术物理研究所，上海 200083
2 中国科学院大学，北京 100049
3 中国科学院红外探测与成像技术重点实验室，上海 200083
由于红外与可见光图像特征差异大，并且不存在理想的融合图像监督网络学习源图像与融合图像之间的映射关系，深度学习在图像融合领域的应用受到了限制。针对此问题，提出了一个基于注意力机制和边缘损失函数的生成对抗网络框架，应用于红外与可见光图像融合。通过引入对抗训练和注意力机制的思想，将融合问题视为源图像和融合图像对抗的关系，并结合了通道注意力和空间注意力机制学习特征通道域和空间域的非线性关系，增强了显著性目标特征表达。同时提出了一种边缘损失函数，将源图像与融合图像像素之间的映射关系转化为边缘之间的映射关系。多个数据集的测试结果表明，该方法能有效融合红外目标和可见光纹理信息，锐化图像边缘，显著提高图像清晰度和对比度。
图像融合 生成对抗网络 边缘损失 注意力机制 image fusion generative adversarial network edge-based loss function attention mechanism
1 中国科学院上海技术物理研究所红外探测与成像技术重点实验室, 上海 200083
2 中国科学院大学电子电气与通信工程学院, 北京 100049
针对红外探测系统对目标检测的实时性要求,提出了一种基于关键点的快速红外目标检测方法。以目标中心作为目标检测关键点,首先设计了轻量化的特征提取网络,之后结合红外目标较小的特点,利用不同层次特征的空间信息和语义信息设计了相应的特征融合网络,并最终实现目标类别、位置和尺寸信息的预测。在自建空中红外目标数据集上对模型进行了对比测试,与YOLOv3等经典检测模型相比,检测速度大幅提高,检测精度仅略有下降;与同类型快速检测模型Tiny-YOLOv3相比,在模型尺寸压缩至Tiny-YOLOv3尺寸的23.39%的情况下,检测精度提高了8.9%,在中央处理器(CPU)上运行的检测速度亦提高了13.9 ms/frame,检测性能显著提升,验证了方法的有效性。
测量 机器视觉 深度学习 红外目标 目标检测 特征融合 光学学报
2020, 40(23): 2312006
1 微光夜视技术重点实验室，陕西 西安 710065
2 南京理工大学 江苏省光谱成像和智能感知重点实验室，江苏 南京 210094
3 南京工程学院 信息与通信工程学院，江苏 南京 211167
单像素成像系统由于其独特的成像方式受到广泛关注，但其在噪声环境中的目标识别方法并未得到深入研究。针对该问题，文中分别采用桶探测器获取的信号值和重构出的二维图像作为训练样本进行深度学习，并以此识别噪声环境中的目标。通过对比两者识别结果，发现在采样率较低时，前者即使在较强噪声环境中也可以获得较高的识别率；而后者的识别率虽然一直比较稳定，但其预处理时间较高，因此前者更适用于快速成像中的目标识别。此外，对于仅利用桶探测器信号进行训练的方法，文中还研究了目标稀疏度对其识别精度的影响，发现当外界噪声和采样率一定时，稀疏度越高的目标，其识别精度也越高。文中为噪声环境中单像素成像的目标识别方法提供了选择依据。
单像素成像 目标识别 深度学习 ghost imaging target recognition deep learning 红外与激光工程
2020, 49(6): 20200010
1 中国科学院上海技术物理研究所, 上海 200083
2 中国科学院大学, 北京 100049
3 中国科学院红外探测与成像技术重点实验室, 上海 200083
提出一种基于深度学习的红外目标建模方法。将对抗与自编码相结合,设计了双重对抗自编码网络。利用训练后的网络,仅需输入类别标签和满足一定分布的随机变量即可生成相应类别的红外目标图像。在自建红外数据集上对模型的有效性进行验证,实验表明,生成的目标图像在真实性和多样性等各方面均取得了较高的评价结果。将随机生成的目标图像作为小数据集的补充,可有效改善训练数据匮乏的问题,提高红外成像系统识别算法的准确率。
成像系统 红外成像 目标建模 深度学习 自编码网络 生成对抗网络 光学学报
2020, 40(11): 1111002
红外与激光工程
2020, 49(3): 0303020
1 微光夜视技术重点实验室, 西安 710065
2 长春理工大学 理学院, 长春 130022
通过水热法在导电玻璃上合成WO3纳米块,利用电沉积技术在WO3纳米块上负载不同含量(20 s、50 s、80 s)的Ag纳米粒子,成功制备出WO3/Ag复合薄膜.通过X射线衍射分析、扫描电子显微镜与能谱对WO3/Ag复合薄膜进行表征,利用电化学测试与光谱测试,得到电致变色可逆性、响应时间、着色效率和光谱透过率等参数,并对其电致变色性能进行分析.结果表明,对比单一WO3纳米块薄膜的电致变色性能,WO3/Ag复合薄膜的电致变色性能显著增强.同时研究了不同Ag纳米粒子含量对WO3/Ag复合薄膜电致变色性能的影响,研究表明沉积50 s的WO3/Ag复合薄膜具有最优异的电致变色性能.
WO3纳米块 WO3/Ag复合薄膜 电致变色 电化学测试 光谱测试 WO3 nanoblocks WO3/Ag composite films Electrochromic Electrochomical measurement Spectral test 光子学报
2019, 48(10): 1031001
1 微光夜视技术重点实验室, 陕西西安 710065
2 昆明物理研究所, 云南昆明 650223
基于真空光电阴极和背照式 CMOS图像传感器研制了电子轰击 CMOS(EBCMOS)混合型光电探测器。为了对 BSI-CMOS图像传感器在 EBCMOS混合型光电探测器领域的应用提供可靠性指导, 对 BSI-CMOS图像传感器进行了 100℃～325℃的变温热处理实验, 着重分析了热处理后的 BSI-CMOS图像传感器的光响应输出信号值、固定模式噪声(fixed pattern noise, FPN)、随机噪声及信噪比(signal-to-noise ration, SNR)随热处理温度的变化规律。实验结果表明: 随着热处理温度的升高, 样品器件的光响应输出信号值基本保持不变, 当温度升高至 325℃时, 样品器件的固定模式噪声由 32 e.升高至 246 e., 随机噪声由 51 e.升高至 70 e., 信噪比由 17.76 dB降低至 4.81 dB, 其中信噪比的降低主要归因于固定模式噪声的增大, 热处理温度达到 325℃会导致 BSI-CMOS图像传感器信噪比明显降低。
背照式 CMOS图像传感器 热处理温度 信噪比 EBCMOS EBCMOS, BSI-CMOS, annealing temperature, signal to
